卫星影像时间序列的高效表征学习及其面向时空应用的融合

基于摘要分析。本文研究卫星影像时间序列的计算开销，以及不同卫星空间分辨率与时间分辨率互补但难以直接融合的问题，提出自动图像块选择网络 PatchNet 和特征级融合模型 FuSITSNet，主要应用于地表动态现象预测，并非 EEG 或 BCI 研究。 PatchNet 将束搜索与注意力机制结合，仅遍历影像时间序列的部分空间区域，以减少处理量。FuSITSNet 在对比学习设置下开展多模态表征学习，结合 Landsat 的较高空间分辨率与 MODIS 的较高时间分辨率。其图像块对齐模块将经 PatchNet 处理的 Landsat-8 图像块与对应 MODIS 区域对齐，纳入更细时间分辨率的特征；对未遍历的图像块，则通过跨模态注意力突出两种模态中的额外热点特征。具体损失形式、搜索策略及训练流程尚未验证。 作者报告，在覆盖美国超过 2000 个县的作物产量、积雪覆盖和太阳能预测实验中，即使只处理影像时间序列四分之一的空间范围，也取得其所称的最先进结果；作者另报告，FuSITSNet 的预测优于单模态方案及使用现有生成式融合模型所得数据的方案。摘要未给出各任务指标、具体基线、划分方式或实际运行成本，实验协议、消融及统计信息尚未验证，因此不能仅由空间处理比例推定端到端加速幅度。 平台推测（待验证）：局部选择与互补采样率融合机制，可能对应 EEG 多通道冗余及多模态时间采样不一致的问题，但其原始机制依赖卫星影像的空间区域对应关系，不能直接等同于电极间的生理对应。可复用候选是选择策略和跨模态注意力，需改造空间块定义、通道映射与时间对齐；低信噪比、跨被试差异、缺失通道及小数据可能导致选择不稳定或遗漏分布式活动。一个可检验的小实验是在固定跨被试划分、相同下游解码器下，对比学习式通道或时间窗选择、随机选择与全量输入，同时报告解码指标及实测计算成本。已有 EEG 相关工作尚未检索确认。